La prédiction permet d'inciter le client à acheter au bon moment, ou au contraire de ne pas le toucher s'il achète et ainsi de suite. Dans le cadre du test AB, la mécanique de personnalisation du site basée sur la prédiction a permis d'augmenter la conversion de la boutique en ligne de 16,5% et l'ARPU de 35,7% par rapport au groupe témoin.
Azamat Tibilov, directeur marketing de Mario Berluchi, parle de la mécanique prédictive, de la mesure des résultats, de l'histoire de l'activité Data Science et partage des conseils pour les détaillants en ligne qui souhaitent également augmenter leurs revenus grâce à un marketing utile et axé sur les données.
Mario Berluchi est un fabricant russe de chaussures, sacs et accessoires avec cinq magasins hors ligne à Moscou et une boutique en ligne.
Échelle. 200 mille visiteurs du site par mois.
IL. Site sur Bitrix, back office sur 1C, plateforme de données client Mindbox.
Tâche. Augmentez vos revenus en travaillant avec les données accumulées.
Résultat. Une augmentation de la conversion du site Web de 16,5% dans le test AB, une augmentation de l'ARPU de 35,7%, une diminution de la part des paniers abandonnés de 17,2%.
Fonctionnement des mécanismes de personnalisation de sites Web basés sur la prédiction
Lorsqu'un client visite le site, nous enregistrons ses actions et l'exécutons via l'algorithme de prédiction: «acheter dans la session en cours ou ne pas acheter» et «reviendra dans les 7 jours ou ne reviendra pas». La prédiction est recalculée toutes les 10 secondes pour chaque client.
Conditions de déclenchement mécanique:
- s'il y a des articles dans le panier,
- si aucun coupon de réduction n'a été appliqué,
- si la probabilité d'achat prévue est inférieure à 30%,
- s'il est prédit que le client ne reviendra pas dans les 7 jours.
Si les conditions sont remplies, le client voit une pop-up dans le panier et décide d'acheter ou non le produit dans la session en cours: La

pop-up apparaît dans le panier si, selon la prédiction de l'algorithme, le client ne passe pas de commande dans la session en cours et ne revient pas plus tard
Résultats de la mécanique prédictive
Tests AB avec une confiance de 95%
Une partie des clients participant au test faisait partie du groupe témoin et n'a pas vu la fenêtre contextuelle - pour elle, la mécanique était désactivée et l'autre a vu. Nous avons comparé la conversion, l'ARPU et l'abandon de panier dans ces groupes - nous avons obtenu des résultats statistiquement significatifs avec une confiance de 95%:
↑ 16,5% d'
augmentation de la conversion du site Web par rapport au groupe témoin en utilisant la méthode du test t
↑ 35,7% de
croissance de l'ARPU en utilisant la méthode bootstrap
↓ 17,2%
Diminution de la part des paniers abandonnés en utilisant la méthode z-test
Comparaison des conversions et de l'ARPU: en mai 2019 et mai 2020 - après l'introduction de la mécanique prédictive

Conversion avant et après mise en place de la mécanique prédictive

ARPU avant et après mise en place de la mécanique prédictive
Pourquoi avez-vous lancé la direction Data Science
Dans un premier temps, nous voulions construire des analyses de bout en bout afin d'évaluer la qualité des canaux publicitaires dans le cadre d'achats réels, car 50% des commandes «tombent» au stade de la confirmation.
Pour les analyses de bout en bout, il était nécessaire de collecter des données sur le comportement des utilisateurs dans la base de données Google BigQuery. En plus des actions standard de l'utilisateur - ajouter un article au panier, visiter une fiche produit d'un produit, effectuer un achat - nous avons collecté de nombreuses autres actions avec le contenu du site - les hits. Plus de 20 000 lignes de hits ont été accumulées chaque jour, et ces données ont été stockées dans notre base de données, pour laquelle nous avons bien sûr payé.
Avec notre trafic - plus de 200000 utilisateurs par mois - il y avait suffisamment de données et nous avons réalisé des analyses standard, par exemple, des actions utilisateur avec du contenu après tout changement, des achats après des promotions. Ensuite, nous avons mené une session de brainstorming avec le propriétaire de l'entreprise et avons décidé d'essayer, en plus de simples analyses et de tests AB, de construire quelque chose de plus intéressant: essayer de prédire le comportement des clients sur le site à l'aide d'algorithmes d'apprentissage automatique basés sur nos données historiques. Nous traitons ces idées comme un produit interne dans lequel nous sommes prêts à investir de l'argent et du temps afin d'obtenir des résultats plus tard - la croissance des indicateurs commerciaux.
En conséquence, le département Data Science a été assemblé et en six mois, ils ont mis en place un mécanisme de prédiction des actions des utilisateurs, ce qui a augmenté les revenus. Ainsi, nous avons découvert un nouveau métier, qui nous rapporte plus de 30% de notre chiffre d'affaires et qui rapporte bien.
Quels spécialistes étaient nécessaires pour la science des données
Chaque étape du lancement d'une mécanique prédictive implique le travail de spécialistes de fonctionnalités différentes, mais issus de domaines connexes. Notre équipe:
Analyste. Analyse les données, trouve les anomalies et effectue des tests AB.
Deux scientifiques des données. Ils écrivent des algorithmes qui renvoient des réponses prédictives sous la forme de la probabilité d'une action particulière de l'utilisateur sur le site.
Marketer. Développe et lance la mécanique à l'aide d'algorithmes.
Développeur. Implémente des mécanismes et des algorithmes sur le site.
Comment fonctionne la mécanique prédictive
1. Nous marquons les données Google Analytics initiales à l'aide de Google Tag Manager et utilisons le streaming OWOX BI pour collecter des données dans la base de données Google BigQuery. Ces étapes prennent peu de temps - dès la première minute, vous pouvez voir comment les données s'insèrent dans la base de données.
2. L'analyste examine comment les données correspondent au comportement de l'utilisateur. Si nécessaire, il crée des graphiques de distribution et examine leur qualité, s'il y a des queues. Si des erreurs sont détectées, nous modifions le paramètre de diffusion en continu ou nettoyons les données, car il est impossible de travailler avec des données sales dans l'apprentissage automatique.
3. Les Data Scientists créent des fonctionnalités (ingénierie des fonctionnalités) à partir des visites et du contenu, par exemple, le nombre de produits visionnés, le nombre d'articles ajoutés aux favoris, le nombre d'articles ajoutés par session au panier.

Distribution des poids des caractéristiques de l'algorithme - sur leur base, nous prédisons le comportement du client
4. Entraînez le modèle sur des données historiques. Disons que nous voulons prédire si l'utilisateur aura la prochaine session ou nous reviendra dans les 7 jours. Pour ce faire, nous prenons des données historiques, des signes - et nous implémentons l'algorithme. Pour la prédiction, nous utilisons la classification - la réponse binomiale sous la forme de 1 ou 0.
5. Nous validons le modèle sur des données historiques: précision des prévisions, métriques métier.
Tout d'abord, nous regardons la proportion de précision (proportion de réponses correctes) et ROC-AUC (aire sous la courbe d'erreur):

La précision 0,88 signifie que 88% du temps, nous prédisons avec précision que l'utilisateur reviendra ou non. Précision - Dans quelle mesure la prédiction renvoyée par l'utilisateur était correcte. Rappel (exhaustivité) - à propos de la proportion de rendements réels que nous avons prédit.

Nous utilisons AUC ROC (aire sous la courbe d'erreur) pour évaluer les performances de l'algorithme sur un échantillon de données.
En plus des réponses des algorithmes 1 et 0, il existe également une probabilité d'action en pourcentage. Et ici, nous fixons un seuil: si la probabilité qu'un utilisateur revienne est supérieure à 30% et que ces utilisateurs reviennent le plus souvent, alors la réponse est 1.
6. Prédire les actions de l'utilisateur.
7. Le spécialiste du marketing développe les mécanismes d'application des prévisions.
8. Nous lançons le test AB - uniquement pour les nouveaux utilisateurs qui ont déjà pris connaissance de notre site. Le test dure environ trois semaines et pendant ce temps, nous observons l'évolution de la valeur p cumulée. À un moment donné, la différence entre les groupes devient significative, on comprend que bientôt le test peut être terminé et que la mécanique peut être mise en production.
9. L'analyste mesure les résultats de la mécanique.
Sur la base des données client, la prédiction fonctionne
Basé sur la visite. Basé sur des actions sur le site: visualisation des fiches produits, ajout de produits au panier, shopping.
Basé sur le contenu. Basé sur des actions avec le contenu du site. Tout d'abord, nous collectons des données sur les actions des utilisateurs: ouverture d'un tableau des tailles, ajout d'un produit aux favoris, lecture des avis. Ensuite, nous examinons comment ces actions affectent les métriques proxy (conversions intermédiaires avant la commande) - cela est nécessaire car il y a plus de données sur ces métriques que sur les commandes. Ensuite, nous examinons la corrélation des métriques proxy avec les taux de conversion d'achat et de retour.
Les approches basées sur la visite et basées sur le contenu se chevauchent. Mais en fonction des visites, nous évaluons le comportement des utilisateurs, et en fonction du contenu - le contenu lui-même.
Basé sur le CRM. Enrichissement des données de la boutique en ligne CRM, comptabilisation de l'historique des achats.
Conseils d'achat en ligne
1. Analysez les données, même si vous êtes une petite boutique en ligne. Les points de croissance sont cachés dans les données qui vous permettent de faire passer votre entreprise au niveau supérieur. Dans le monde d'aujourd'hui avec une énorme concurrence dans le numérique, il est impossible de résoudre le problème de la croissance des entreprises avec une injection banale d'argent.
2. La croissance de la conversion, une mesure clé d'une boutique en ligne, est le facteur le plus puissant dans le développement de votre entreprise.
3. N'ayez pas peur de construire une infrastructure et d'introduire de nouvelles technologies dans votre entreprise. L'introduction de l'apprentissage automatique vous permet de faire un pas en avant et de vous démarquer de vos concurrents.
4. Apprenez à calculer le retour sur investissement des investissements dans les nouvelles technologies. La plupart des entreprises ont peur de budgétiser de nouveaux outils car elles ne comprennent pas pleinement les avantages qu'elles en retireront.
Autres plans de développement marketing
Maintenant, nous avons une tarification dynamique dans notre travail - nous évaluerons quand accorder une remise sur quel produit ou, au contraire, ne pas la donner. Tout cela semble simple: le produit est souvent acheté - nous ne donnons pas de rabais, achetons rarement - nous donnons. Mais nous allons un peu plus loin et plus loin - nous regardons où se trouvait ce produit dans le catalogue, à quels mécanismes marketing il a participé, combien de fois ce produit a été vu, combien de fois il a été ajouté au panier.
Et la prochaine étape est la tarification dynamique pour chaque utilisateur.
Comment répliquer la mécanique prédictive dans votre boutique en ligne
Nous développons une coopération avec Mindbox et proposons des plateformes clients pour implémenter notre mécanique prédictive. Si vous souhaitez le répéter dans votre boutique en ligne, écrivez à vos collègues.
***
Auteurs:
Azamat Tibilov, Mario Berluchi Marketing Director
Maria Baikauskas, Mindbox Manager
Sema Syomochkin , Mindbox Editor